动态学习双阶寻优
一种双阶段进化框架，第一阶段通过变量聚类促进收敛，第二阶段采用动态学习策略，使每个解向更优个体学习并自适应调整参数，适用于大规模多目标优化问题。
曹洁 · Kaiyue, Guo · 张建林 · Chen, Zuohan
Expert Systems with Applications 2023
第一阶段将决策变量聚类为两类分别优化，聚焦于提升种群的收敛性，避免直接处理全部变量导致搜索效率低下。
第二阶段采用动态学习策略，每个解向适应度更高的领导者学习，并根据自身历史行为自适应调整控制参数，从而产生更优后代。
在36个LSMOP、48个LMF和6个TREE实际问题上与五种先进算法对比，实验结果表明DLMOEA-DLS具有优越性。